Upload
drew
View
62
Download
0
Embed Size (px)
DESCRIPTION
Elektrotehnički fakultet Univerziteta u Beogradu. Google algoritmi za rangiranje stranica. Diplomski rad. Student: Mentor: Branko Golubović prof. Veljko Milutinović. Pregled. Uvod Google pretraživač Kako radi Google Skor sadržaja Skor popularnosti - PowerPoint PPT Presentation
Citation preview
Google algoritmi za rangiranje stranica
Diplomski rad
Student: Mentor:Branko Golubović prof. Veljko Milutinović
Elektrotehnički fakultet Univerziteta u Beogradu
Google algoritmi za rangiranje stranica 2/45
Pregled
• Uvod
• Google pretraživač• Kako radi Google• Skor sadržaja• Skor popularnosti• Osobine i implementacija PageRank algoritma
• Budućnost pretraživača
Uvod
Google algoritmi za rangiranje stranica 4/45
Pretraživanje kroz istoriju
• Papirus
• Pergament
• Papir
• Štamparska mašina
• WWW
Google algoritmi za rangiranje stranica 5/45
Mreža je:
• ogromna (oko 30 milijardi stranica)
• dinamična (23% stranica se menja svakog dana)
• samo-organizovana
• povezana (hiperlinkovi)
Google algoritmi za rangiranje stranica 6/45
Pretraživači
• Ocenjivanje performansi pretraživača:• preciznost• odziv• brzina• zahtevnost
Google pretraživač
Google algoritmi za rangiranje stranica 8/45
Google od nastanka do danas
• 1996. – istraživački projekat na Stenfordu Larija Pejdža i Sergeja Brina
• 1997. – zakupljen domen google.com• 1998. – osnovana kompanija Google;
indeksirano 60 miliona stranica• 2001. – patentiran PageRank algoritam• 2004. – indeksirano 8.1 milijardi stranica• 2008. – indeksirano preko 25 milijardi stranica;
250 miliona upita dnevno; odziv ispod 0.5s
Google algoritmi za rangiranje stranica 9/45
Google pretraživanje
• Pored pretraživanja stranica na MrežiGoogle nudi pretragu:• slika• vesti• proizvoda• mapa• e-mail-a• video zapisa• open source code• patenata• itd.
I will use Google before asking dumb questions
Google pretraživač
Kako radi Google
Google algoritmi za rangiranje stranica 11/45
Modul za obilaženje
Mreže
Modul za skladištenje
stranica
Modul za indeksiranje
Modul za obradu upita
Modul za rangiranje
Specijalni Struktura
Indeksi
WWW
Sadržaj
Upit Rezultat
Korisnik
Elementi pretraživača
Pretraživač
Google algoritmi za rangiranje stranica 12/45
Modul za obradu upita
• Filteri:• Izostavljanje termina• Jezik• Tip dokumenta• Pretraga u baznog URL-a• Datum• Pozicija termina na stranici• Region• Brojevni opseg• SafeSearch• Prava korišćenja
Google algoritmi za rangiranje stranica 13/45
Modul za obradu upita
• Ekspanzija upita:• Balansiranje stabla (term reordering)
• Odbacivanje uobičajenih reči (stop words)
• Koren reči (stemming)
• Provera pravopisa
• Sinonimi
• Asocijacija reči
Google algoritmi za rangiranje stranica 14/45
Modul za rangiranje
• Verovatno najvažniji deo pretraživača
• Ukupan skor se dobija sabiranjem:
• skora sadržaja (content score) i
• skora popularnosti (popularity score)
Google pretraživač
Skor sadržaja(content score)
Google algoritmi za rangiranje stranica 16/45
Content score
• Sadržaj stranice• META tag
• page title• description• keywords
• Heading• Alt atribut• Tekst hiperlinkova (anchor text)
Google algoritmi za rangiranje stranica 17/45
Content score
• Content score se izračunava u realnom vremenu
• Ubrzavanje upita – smanjivanje izračunavanjau realnom vremenu
• Proširivanje indeksa deskriptorima:
termin n (avion) – 7, 152 [1, 0, 1, 8], 7342
Google pretraživač
Skor popularnosti(popularity score)
Google algoritmi za rangiranje stranica 19/45
Popularity score
• Do 1998. webgraph je bio neiskorišćenkao izvor informacija za rangiranje
• Link sa stranice A ka stranici B se tumači kao preporuka
• Ovaj link je:• izlazni link stranice A• ulazni link stranice B
Google algoritmi za rangiranje stranica 20/45
Originalna formula PageRank-a
• Ako je rang strane Pi označen kao r(Pi), tada se on može izračunati kao suma rangova svih strana koje pokazuju na Pi:
• Iterativna formula:
• Proces je iniciran početnim vrednostima r0(Pi)=1/n
iPj BP j
ji P
PrPr
)()(
iPj BP j
jkik P
PrPr
)()(1
Google algoritmi za rangiranje stranica 21/45
Originalna formula PageRank-a
• Graf:
• Matrica prelaza:
2
1
3
5
6
4
0010002/102/10002/12/1000003/1003/13/10000000002/12/10
H
Google algoritmi za rangiranje stranica 22/45
PageRank
• Ako je (k)T PageRank vektor u k-toj iteraciji,tada je:
T=TH
iterativna formula za dobijanje PageRank-au matričnom obliku
Google algoritmi za rangiranje stranica 23/45
Matrica prelaza H
• Osobine matrica prelaza H:
• svaka iteracija sadrži množenje vektora i matrice - O(n2)
• H je retka matrica – stepen složenosti se smanjuje O(n)
• iterativni proces primenjen u formuli se nazivastepeni metod (eng. Power method) primenjen na H
• H je substohastička, jer viseće stranice proizvode 0 redove
Google algoritmi za rangiranje stranica 24/45
Konvergiranje procesa
• Važna pitanja:
• Da li će i pod kakvim uslovima proces konvergirati?
• Da li će konvergirati ka jedinstvenom rešenju?
• Da li konvergencija zavisi od početnog vektora (0)T?
• Koja je brzina konvergiranja?
• Da li će rešenje ka kome sistem konvergira biti od koristi za rangiranje stranica?
Google algoritmi za rangiranje stranica 25/45
Problemi sa matricom H
• Inicijalni vektor je T=1/neT, gde je eT vektor jedinica dimenzije n
• Problemi sa takvim sistemom:• rank sink• ciklusi
• H podseća na stohastičku matricu verovatnoće prelaza Markovljevih lanaca
Google algoritmi za rangiranje stranica 26/45
• Za bilo koji inicijalni vektor, matrica P u Markovljevom lancu konvergira ka jedinstvenom pozitivnom vektoru (stacionarni vektor), ako je P:
• stohastička
• nesvodljivaprimitivna
• aperiodična
Markovljevi lanci
Google algoritmi za rangiranje stranica 27/45
Prilagođavanje matrice H
• Model slučajnog surfera (eng. random surfer)• Stohastička matrica S (stohastička modifikacija):
S = H + a(1/n eT), gde je a dangling node vector
0010002/102/10002/12/1000003/1003/13/16/16/16/16/16/16/10002/12/10
S
Google algoritmi za rangiranje stranica 28/45
Prilagođavanje matrice H
• Google matrica G (modifikacija primitivnosti):
G = S + (1 - )1/n eeT,
gde je:• 1 - verovatnoća teleportacije (verovatnoća da surfer
skoči na proizvoljnu stranu)• 0 < < 1• 1/n eeT = E matrica teleportacije (uniformna)
Google algoritmi za rangiranje stranica 29/45
Posledice modifikacije
• Matrica G je:• stohastička
• nesvodljiva (sve strane su međusobno povezane)
• aperiodična (linkovi Gii)
• u potpunosti gusta, ali:G = S + (1 - )1/n eeT =
= (H + 1/n aeT) + (1 - )1/n eeT == H + (a + (1 - )e)1/n eT
• veštačka, u smislu da je nastala modifikacijom H
Google algoritmi za rangiranje stranica 30/45
Izračunavanje PageRank vektora
• Power method – pronalazi dominantne sopstvene vrednosti i sopstvene vektore matrice• jednostavan:
T=TG == T S + (1 - )/n T eeT == T H + (T a + 1 - )eT/n,
gde je Te = 1.• matrix-free• storage friendly• zahteva svega 50-100 iteracija
Google algoritmi za rangiranje stranica 31/45
Parametri u PageRank modelu
• faktor (PageRank – = 0.85):G = S + (1 - )E
• hiperlink matrica H:
• matrica teleportacije E:E = 1/n evT
gde je vT vektor teleportacije (personalizacije)
0010002/102/10002/12/1000003/1003/13/10000000002/12/10
H
0010002/102/10002/12/1000003/1003/13/10000000003/13/20
H
Google pretraživač
Osobine i implementacija PageRank algoritma
Google algoritmi za rangiranje stranica 33/45
Ubrzavanje izračunavanja PageRank-a
• adaptivni Power metod – smanjuje izračunavanje:• prednosti: ubrzanje od 17%• mane: nepreciznost (lokalni minimumi), teškoće kod
implementacije na velike sisteme
• ekstrapolacija – smanjuje broj iteracija:• asimptotska brzina konvergencije Power metoda
je brzina kojom |2/1|k teži nuli• G je stohastička: 1 = 1• G je primitivna: |2| < 1• ekstrapolacija – eliminisanje uticaja 2
• mane: zahtevnost (svaka deseta iteracija)
Google algoritmi za rangiranje stranica 34/45
Ubrzavanje izračunavanja PageRank-a
• quadratic ekstrapolacija – smanjuje broj iteracija:• eliminisanje uticaja 2 i 3
• prednosti: 50-300% bolji rezultati od originalnog PR• mane: zahtevno izračunavanje (svaka 20-ta iteracija)
PageRankPageRank sa quadratic ekstrapolacijom
Google algoritmi za rangiranje stranica 35/45
Ubrzavanje izračunavanja PageRank-a
• agregacija – BlockRank:• kompresovanje grafa Mreže po host-ovima• PageRank se primenjuje na hostgraph – HostRank• PageRank se primenjuje na same host-ove• konačan rang stranice se dobija množenjem
HostRank-a host-a i ranga stranice unutar host-a
• mane: dobijaju se aproksimacije• prednosti: aproksimacije su zadovoljavajuće, brzina je
veća nego originalni PageRank
Google algoritmi za rangiranje stranica 36/45
Osvežavanje PageRank vektora
• Jednom mesečno – Google Dance
• PageRank se izračunava od nule
• Promene na WWW:
• promene u strukturi linkova
• promene u strukturi grafa
Google algoritmi za rangiranje stranica 37/45
Osvežavanje PageRank vektora
• Aproksimativna agregacija:
• S – skup stanja osveženog Markovljevog lanca
• L – sadrži stanja na koje je uticala promena
• Egzaktna agregacija
LLS LLS
LLS
LLS
Google algoritmi za rangiranje stranica 38/45
Osvežavanje PageRank vektora
• Iterativna agregacija:• što je |L| = l veće, brža konvergencija i više
izračunavanja• dobro formiranje skupa L:
• stavljanje svih novih i promenjenih stanja u L • dodavanje stanja sa visokim PR u prethodnom izračunavanju
• osobine:• poboljšanje performansi (1/7 vremena potrebnog PR)• što je više podataka, poboljšanja izraženija• mesta za dodatna poboljšanja (npr. ekstrapolacija)• promene broja stranica ne utiču na algoritam
Budućnost pretraživača
Google algoritmi za rangiranje stranica 40/45
SPAM i ostale zloupotrebe
• Algoritmi za detektovanje Link farmi
• BadRank• Sponzorisani linkovi
Google algoritmi za rangiranje stranica 41/45
Specijalizovani pretraživači
• Neki specijalizovani pretraživači:• Najdi.si (geografski lokalizovani pretraživač),• Business.com (poslovni pretraživač),• Hotjobs.com (pretraživač berze rada),• InfoSpace (pretraživač osoba),• Home.co.uk (pretraživač nekretnina), itd.
• Google-ovi specijalizovani pretraživači:• Google Book Search (knjige),• Google Code Search (programski kod),• Google Scholar (obrazovanje),• Google News (vesti), itd.
Google algoritmi za rangiranje stranica 42/45
Personalizovane pretrage
• Google Personalized Search – Web History
• A9.com
• Mnogi sajtovi imaju internu personalizovanu pretragu – npr. Amazon.com
• Problemi sa privatnošću
Google algoritmi za rangiranje stranica 43/45
Klasifikacija i klasterovanje
• Stumble!
• Vivisimo – Clusty
• Upit “cell” je vraćao klase:• cell phones• biology• stem cell• manufacturer/battery • itd.
Google algoritmi za rangiranje stranica 44/45
Fuzija podataka
• Map.Search - www.map.search.ch
Google algoritmi za rangiranje stranica 45/45
Google algoritmi za rangiranje stranica
Reference:[1] Amy N. Langvile, Carl D. Meyer. Google’s PageRank and Beyond: The Science of
Search Engine Rankings. Princeton, 2006. Princeton University Press.[2] Junghoo Cho and Hector Garcia-Molina. The evolution of the Web and
implications for an incremental crawler, In Proceedings of the Twenty-sixt International Conference on Very Large Databases. New York, 2000. ACM Press.
[3] Anti Spam - SpamUnithttp://www.spamunit.com/spam-statistics/
[4] Technoratihttp://technorati.com/about/
[5] Wikipedia http://en.wikipedia.org/
[6] Pandia Search Engine News www.pandia.com
[7] Kališen Tara, Dornfest Rel. Google trikovi. Čačak, 2006. Kompjuter biblioteka
Prof. Veljko Milutinović [email protected] Golubović [email protected]